00:00:00 議論参加者の紹介とディベート形式の説明
00:02:56 Joannesによるオープニングの発言
00:09:53 Jeffによるオープニングの発言
00:16:56 Joannesによる反論
00:21:47 Jeffによる反論
00:26:53 Joannesによる締めの発言
00:28:56 Jeffによる締めの発言
00:31:05 フォローアップの質問
00:48:36 視聴者からの質問
01:18:57 初期の見解と結論の再検討
要約
Conor Dohertyがモデレーターを務めたディベートにおいて、「FVAはベストプラクティスか時間の無駄か？」というテーマがJeff BakerとJoannes Vermorelによって検証されました。サプライチェーン管理における豊富な経験を持つJeff Bakerは、supply chain managementに基づき、FVAが正しくかつ構造的に適用された場合の価値を強調し、バイアスへの対処と専門家の入力活用の重要性を訴えました。一方、LokadのCEOであるJoannes Vermorelは、FVAは非効率的である可能性があると主張し、financial optimizationによるsupply chain decisionsの実現と、probabilistic forecastsの利用を提唱しました。このディベートは、サプライチェーン管理におけるFVAの役割に関する対照的な見解を浮き彫りにし、意思決定プロセスの改善に有用な洞察を提供しました。
詳細な要約
最近、Lokadのコミュニケーション責任者でありLokadTV YouTubeチャンネルのホストであるConor Dohertyが司会を務めたディベートにおいて、「FVAはベストプラクティスか時間の無駄か？」というテーマが徹底的に検証されました。このディベートでは、サプライチェーン業界の二大著名人物であるJeff BakerとJoannes Vermorelが登場しました。
FVAの活用を支持するJeff Bakerは、Libra SCMの創設者兼マネージングディレクターであり、MITx MicroMasters in SCMの講座リード、さらにInternational Journal of Applied Forecasting誌のAssociate Editorとして活躍しています。サプライチェーン管理における25年以上の経験を持つ彼は、Sales and Operations Planning（S&OP）やFVAに関する講演や執筆を頻繁に行っています。
一方、反対意見として、パリを拠点とするソフトウェア企業LokadのCEO兼創設者であるJoannes Vermorelは、FVAの使用に反対する立場を取りました。彼はサプライチェーンに関する豊富な著作や、業界リーダーとの定期的な公開講演やディベートでも知られています。
Conor Dohertyは、まずテーマの紹介と各参加者の自己紹介の機会を設けることでディベートを開始しました。自己紹介の後、各参加者はFVAに関する自らの見解を述べました。
Jeff Bakerは、FVAは正しく適用されれば価値ある手法であると主張しました。彼は、予測の修正は指針と構造化が必要であると強調し、修正はその方向（上昇か下降か）、time seriesの内在的な予測可能性、そしてオーバーライドの大きさに基づくべきだと述べました。彼は、小さな調整よりも大幅な増加の可能性を探ることの重要性を強調しました。
さらにJeffは、仮定が明確に述べられ、まだモデル化されていない新たなデータに基づく構造化された入力の必要性を強調しました。彼は、バイアスを特定し対処するために積極的なアプローチを採用し、その背後にある動機を理解し、過去の失敗から学ぶことを提唱しました。Jeffは、良い判断は経験に基づくものであり、その経験はしばしば悪い判断から生じると信じています。仮定に立ち戻りそれを検証することで、組織は供給チェーンへの信頼不足による過剰予測などの問題に対処できると述べました。
さらにJeffは、販売およびマーケティングの専門家は、supply chain scientistsよりも情報を文脈に合わせて解釈する能力に優れていると主張しました。彼は、これらの専門家からの価値ある入力は時間とともに自動化されるべきだと示唆しましたが、同時に無限の純粋なデータが存在する世界には生きていないことも認識しています。そのため、製造、販売、マーケティングなど、さまざまな情報源から適切なデータを収集することが不可欠だと述べました。
一方、Joannes VermorelはFVAの使用に反対しました。彼は、FVAが時間の無駄となり、必ずしもより良い意思決定につながるとは限らないと主張しました。Joannesは、財務的最適化に注力し、確率的予測を活用して自動的により情報に基づいたサプライチェーンの意思決定を行うことの重要性を強調しました。彼は、FVAに過度に依存すると非効率を招き、サプライチェーン管理のより重要な側面を見失う可能性があると論じました。
このディベートでは、フォローアップの質問や参加者間の自由な意見交換が含まれ、お互いの主張をより深く掘り下げる機会が提供されました。ディスカッションは、視聴者がライブチャットで質問を投稿することができるQ&Aセッションで締めくくられました。
要約すると、このディベートは、サプライチェーン管理におけるFVAの価値に関して異なる視点があることを浮き彫りにしました。Jeff Bakerは、経験から学びバイアスに対処することの重要性を強調しながら、ガイド付きで構造化されたFVAのアプローチを支持しました。一方で、Joannes Vermorelは、FVAが時間の無駄となり得ると主張し、予測の上書きではなく、サプライチェーンの意思決定の財務的最適化の必要性を力説しました。このディベートは、サプライチェーン予測の複雑さと、意思決定の改善に向けたさまざまなアプローチについて貴重な洞察を提供しました。
完全なトランスクリプト
Conor Doherty: Lokadサプライチェーンディベート第3回へようこそ。本日は、Jeff BakerとJoannes Vermorelの間で、待望のディベートを司会する喜びを感じています。JeffはMIT Center for Transportation and LogisticsにおいてSupply Chain Dynamicsを教えており、Libra SCMの創設者兼マネージングディレクターです。一方、私の左側にいるJoannesは、Lokadの創設者兼CEOです。彼はフランスのÉcole Normale Supérieureのエンジニアであり、そこで6年間ソフトウェア工学を教えていました。
Now, the topic of today’s debate is “Forecast Value Added (FVA): A Best Practice or a Time-Waster?” Jeff will argue that FVA is, in fact, a best practice, while Joannes will argue it’s a waste of time. Now, as quickly as possible, I will try to get through the parameters of the debate, the housekeeping, so that we can get to the good stuff.
まず、各自7分以内のオープニングリマークがあります。事前に合意したとおり、Joannesが最初に発言します。その後、各スピーカーには5分間の反論時間が与えられ、続いて各スピーカーから2分間の締めの発言が行われます。その時点でフォローアップの質問を投げかけます。これらの質問は、イベント中にライブチャットで視聴者からいつでも投稿することが可能です。
さて、ディベートの準備として、両スピーカーは以下の定義に同意しました。Forecast Value Added (FVA)とは、予測プロセスの各ステップと貢献者のパフォーマンスを評価するためのシンプルなツールです。その目的は、forecast accuracyの向上やバイアスの削減に寄与しない、あらゆるプロセスや活動を排除することによって無駄を取り除くことにあります。
その定義および両スピーカーの詳細な経歴は、この動画のコメント欄またはチャットにあるオープンなGoogleドキュメントに記載されています。ディベートのセクションでは、両スピーカーの発言時間を厳格に計測し、時間が迫った際には控えめな咳払いで丁寧に注意します。しかし、それぞれが自分で時間を計ることをお勧めします。
もうすぐ終わります。各スピーカーの発言中は完全に沈黙を保つようにしてください。少なくともタイムドセクション中はお互いを中断しないでください。そして最後に、自己プロモーションですが、もしこのディベートを楽しんでいただけたなら、LokadのYouTubeチャンネル登録やLinkedInでのフォローをお願いします。それでは、「Forecast Value Addedはベストプラクティスか時間の無駄か？」というテーマで、Joannes、オープニングの発言をお願いします。
Joannes Vermorel: まず初めに、Jeffが快くこのディベートに応じてくれたことに感謝します。簡単に言えば、FVAは精度の向上と低下を追跡するためのツールです。では、FVAはベストプラクティスと言えるのでしょうか？何かがベストプラクティスと見なされるためには、定義上、そのコミュニティが特定の目標を達成するための最も効果的な方法と理解しているものでなければなりません。しかし、予測そのものは目標ではなく、真空状態で行われるものでもありません。
予測は特定の目標を達成するためのツールの一つです。予測の目標は精度の向上であると主張する人もいますが、これは非常に議論の多い立場です。私の意見では、予測はより良いビジネス意思決定、つまりより多くの利益を生む意思決定を支援するための単なるツールにすぎません。そこで問題となるのは、精度の向上や低下を測定するFVAが、実際により多くの利益を生むという目標に近づけるかどうかという点です。私は納得しておらず、ここではその主張を支持するための三つの批判を提示します.
まず第一に、FVAは最初から協調型予測を促進するために設計されたわけではありませんが、その設計上、協調型予測の精度に与える影響を測定する枠組みを提供しています。これは重要です。FVAは最適な予測手法の使用を要求するものではなく、あなたが行っていることの精度への影響を示すものです。なぜこれは重要なのでしょうか？つまり、予測コミュニティにおけるベストプラクティスとは何なのかという問いに直結するのです.
1980年代以来、Spyros Makridakisは、そうしたベストプラクティスを見つけるために一連の公開forecasting competitions（Mコンペティション）を開催しています。2018年のM4以降、これらの競技会はアルゴリズム手法の優位性を一貫して示してきました。実際、人間の予測能力に関しておそらく現存する最高の専門家であるPhilip Tetlockは、予測アルゴリズムが利用可能であれば必ずそのアルゴリズムを使用すべきであると述べています。その理由は、アルゴリズムは常に人間の判断に比べて優れた精度をもたらすからです。このアルゴリズムと、それを活用する専門家こそがベストプラクティスと言えるでしょう.
したがって、もし協調型予測や手動での上書きがベストプラクティスでなく、実証的にそうでないのであれば、それらをFVAで測定することもまたベストプラクティスではなく、むしろ時間の無駄であると私は主張します。ある人は『しかしJoannes、FVAは協調型予測や手動での上書きを明示的に推奨していない』と言うかもしれません。確かにそうですが、Jeffの著作においてもそれが一般的な使われ方なのです.
しかしながら、私の第二の批判は、FVAの基盤となっている時系列の視点にあります。FVAは、クラシックな時系列予測、すなわちポイント予測を要求します。最低限、FVAは直前の実績を単純にコピーしたナイーブな予測をベースラインとして利用することを提唱します。この変化のない予測も時系列に含まれます。しかし、時系列は本当にベストプラクティスと言えるのでしょうか？再び、答えはノーです。ポイント予測は不完全な予測ツールであるにとどまらず、例えば高い分散があるシナリオにおいては極めて誤解を招く可能性があります。なぜなら、ポイント予測は不確実性を考慮に入れていないからです.
実際、M5予測コンペティションには、不確実性に焦点を当てた別のチャレンジ、すなわち量的予測のチャレンジが含まれており、LokadはSKUレベルで参加し勝利しました。実際には、はるかに優れた予測手法として確率的予測が既に存在しています。時系列予測とは異なり、確率的予測は来週の需要のように一つの未来を特定するのではなく、すべての可能な未来とそれぞれの確率を検討します。なぜこれが重要なのでしょうか？すべての可能な将来シナリオを特定することは、最適な選択肢を選ぶために不可欠だからです。これは、サプライチェーンに関わるあらゆる金融リスクが常に存在するため、非常に重要なのです.
しかしながら、FVAは確率的予測とは相容れません。なぜなら、確率的予測は時系列ではなく確率分布を参照するからです。そして実際のところ、販売やマーケティングの人々がFVAの有無にかかわらず、確率分布を手動で編集することはあり得ません。これは全く現実的ではありません。もし時系列自体がベストプラクティスでなく、さらにリスク管理に関しても不適切であるならば、FVAを用いて精度の上書きを比較することもまたベストプラクティスではないと私は主張します。これは時間の無駄だと考えます.
私の第三の批判は、FVAが価値を測定するのではなく、精度を測定するという点です。そして、精度が価値を生むとは限りません。より正確な予測が必ずしも価値を付加するわけではありません。現実の多くの状況では、MOQsなどの制約がある場合、90%の精度の予測と60%の精度の予測が同じ在庫の意思決定につながることがあります。もし意思決定の財務的成果が変わらなければ、精度の向上を測定してもビジネス上の価値は増しません。したがって、ビジネスの観点から、精度そのものが価値を生むと断言するのは全く誤りです。もしそうであるとすれば、なぜFVAで精度に着目することがベストプラクティスになり得るのでしょうか？それはありえません.
たとえあなた自身がFVAを用いて協調型予測を支援しなくても、他の人々はそれを利用しています。FVAは依然として不確実性を無視する時系列予測と、精度の向上が価値の増加に直結するという考え方に基づいており、これはビジネス環境にそぐわないものです。これらすべては悪いプラクティスであるため、FVA自体がベストプラクティスであり得ないと私は主張します。つまり、FVAは時間の無駄だと考えます。ありがとうございます.
Conor Doherty: Joannes、まだ15秒あります.
Joannes Vermorel: はい、ありがとうございます.
Conor Doherty: では、Joannes、オープニングの発言をどうもありがとうございました。Jeff、これよりオープニングの発言をお願いします.
Jeff Baker: そうですね、素晴らしい。ありがとう、Conor。そしてありがとう、Joannes。この対話に参加する機会を本当に感謝しています。ですから、明らかに私はFVAをベストプラクティスとして採用することに賛成です。これは、全てのサプライチェーンが計画を立てる必要があるという事実に根ざしています。製造スケジュールを決めるために2〜3ヶ月前に、サプライヤーと協力するために場合によっては6ヶ月前に意思決定を行う必要があるのです。もしわずかなキャパシティの変化、例えば人員配置の変更や、共同製造業者の導入などがあれば、それに合わせた良い予測が必要になります。したがって、長期的な視点でこれらの決定を下さなければならず、その後に見直しを行うこともあります。
サプライチェーンにおいて私のお気に入りの引用がいくつかあります。一つは「計画自体は何も意味しない。しかし、計画を立てることは全てである」というものです。ですから、正しい立場に立つためにはこの計画が必要なのです。次に、サプライチェーンに関するもう一つの私のお気に入りの引用はマイク・タイソンの「誰もが顔にパンチを食らうまでは計画を持っている」というものです。これは、サプライチェーンにおいて何らかの打撃を受けることは避けられないという事実を示しています。目標は、実行可能な領域で最大の成功率を持つ最善の意思決定を下すことです。そしてそのためには、各機能の専門家を巻き込むことが最良の方法です。営業とマーケティングは、予測を改善するために活用できる地域ごとの洞察を持っているため、コンセンサスプロセスに含めるべきです。こうして体系的に専門家を巻き込むことで、より良い意思決定に必要なデータを得ることができます。そして、FVAはそれらの入力の効果を測定するための有効なツールです。
ただし、注意点として、バイアスの扉を開く可能性もあるということですが、私の見解では、そのバイアスを完全に排除するのではなく、修正していくべきです。私たちはクロスファンクショナルでなければなりません。何年も前からクロスファンクショナリティこそが最良の方法だと説いてきました。皆が自分の判断だけに責任を持ち、他に影響を与えないような機能的なsiloに戻るのは望んでいません。これを最善に行うためには、再びFVAが輝くガイド付きの調整が必要です。FVAは、非常に価値が高いが誤差の大きい製品を教えてくれます。そこは、より良い入力を探し出すための肥沃な土壌です。
もし大きな影響、つまり実質的に悪影響が及ぶ場合や、逆にプラスの影響がある場合でも、計画できるようにしなければなりません。まず第一に、これらの調整はガイドされるべきです。私が修士論文で述べたのは、調整の方向、つまり上昇か下降か、時系列の本来の予測可能性はどの程度か、オーバーライドの規模はどれくらいかを検討する必要があるということです。そして、もし付加価値を生み出すのであれば、単なる微調整ではなく、実質的な増加を狙っていることを確認すべきです。
次に、構造についてです。私は営業やマーケティングの担当者に、適当な数字をただ示すだけにはさせません。彼らに尋ねます。彼らの入力前提は何か？これはまだモデル化していない新しいデータに基づいているのか？そしてさらに掘り下げて、これは最良のシナリオか、最悪のシナリオか、もっとも起こりやすいケースは何か、このシナリオが実現するためには何が必要なのか、何が真でなければならないのかと問いかけます。こうして、私たちはあらかじめバイアスの原因を根絶し、その背後にある動機を理解しようとしているのです。
これを実行した後、次の月にその調整を見直し、「付加価値があったのか、なかったのか」を評価します。私がよく言うのは、良い判断は経験に基づき、経験は悪い判断から生まれるということです。つまり、私たちは失敗から学び、前提に立ち返り、検証していくのです。そして、場合によっては、営業担当者がサプライチェーンを信頼していないために常に過大予測をしているのではないかと気づくかもしれません。それは単なるバイアスではなく、信頼の問題であり、そこから対策を講じることができるのです。
さらに、彼らこそが私たちよりも優れた形でその情報に文脈を与える存在です。マーケティングや予測のあらゆるニュアンスに精通したサプライチェーン科学者がいるとは思えません。私はそうした専門家に依存し、彼らにデータを提供してもらいます。そして、時が経つにつれ、もしその入力が価値あるものであると判明すれば、自動化を試みるつもりです。適切なデータ収集のために自動化に異論はありませんが、問題は、私たちが無限の純粋なデータが存在する世界に生きているわけではないということです。製造データ、営業データ、マーケティングデータがあっても、多くの場合、私たちは積極的にそれらを探し出さなければならないのです。
もしこれをうまく実施できれば、多くの意思決定を自動化できる可能性があります。FVAプロセスが予測システムに存在するからといって、調整が必ずしも必要になるわけではありません。実際、予測において第一のマントラは「害を与えないこと」であるべきです。北米最大の食品・飲料企業の一つであるクラフトハインツは、「ロータッチ予測率」という指標を持っています。毎回過剰に介入しないためにはどうすればよいか。デミングが最も的確に言ったのは「何かをするだけでなく、じっとしていなさい」ということで、人は「入力を求められている、忙しいことを示さなければ」と本能的に考えてしまう傾向があるからです。しかし、それは全くもって誤ったアプローチです。
誤差削減の価値を示す証拠として、The Institute for Business Forecasting and Planningを挙げることができます。彼らは8つのCPG企業を対象に調査を行い、予測誤差を1%削減するごとに、企業は10億ドルの収益あたり170万ドルの利益を、予測コストの回避によって得られることを発見しました。これには、割引、トランスシップメント、陳腐化製品、過剰在庫、運転資本の拘束の回避が含まれます。また、企業は10億ドルの収益あたり約100万ドルのアンダーフォーキャスティングにかかるコストをも削減しており、lost sales、ケース充填に対する罰金、及び生産増加または迅速出荷のコストを回避しています。
IBFの研究でもこれが確認されており、Gartnerは同様のメリットを報告しています。すなわち、inventory valueでの2〜7%の削減、陳腐化在庫で4〜9%の減少、輸送コストで3〜9%の削減が挙げられます。これらの数値の大きさは、特に高価値かつ誤差の大きいアイテムや、外部要因がサプライチェーンに何らかの影響を及ぼすことが事前に分かっている場合において、予測精度を向上させる手段を追求する魅力的な理由となります。ありがとうございました。
Conor Doherty: では、ありがとう、Jeff。もしよろしければ、あと15秒ありますよ。
Jeff Baker: 13秒ありますが、大丈夫です。
Conor Doherty: そうです。では、Jeff、開会の挨拶をどうもありがとうございます。ここで反論に進みましょう。Joannes、準備ができたら5分間お願いします。
Joannes Vermorel: 開会の挨拶をしてくれてありがとう、Jeff。あなたは自分の立場を非常によく主張していると思いますが、いくつか明確にしておきたい点があります。私は、社員たちが会社のために良いことをしようとしているという意図そのものに異議を唱えているのではなく、実際の成果の現実性に対して異議を唱えているのです。
まず第一に、もし予測精度が最も重要で追求すべきものだと考えるのであれば、私が最初に述べた通り、FVAは予測のベストプラクティスを反映していません。企業が本当に精度を追求するのであれば、協調的な予測を行わないことで、実際にはより正確な結果が得られるはずです。これは残念ながら実証的に示されています。
第二に、オーバーライド自体は問題に取り組む非常に官僚的な方法です。ひとたび仕組みを導入すれば―はい、「害を与えない」と言うかもしれませんが―官僚的な仕組みを設ければ、それは必ず使われるのです。FVAは、ソフトウェア要素を含む小さな官僚制または技術官僚制を構築することを意味します。営業やマーケティングの担当者が実際に修正を行っているかどうかをチェックする人々が現れるのです。私にとって、これは多くの官僚的な雑務を生み出す道を開くものです。
実際のところ、これらの予測と調整の実態をみると、数万にも及ぶ時系列が存在し、そのそれぞれが50点以上、たとえば1年前の週次予測などを含んでいるのです。しかし、これによりもう一つの批判が生じます。つまり、精度だけに焦点を当てることで、FVAは資金の誤配分を招き、企業が予測プロセスにおいて、はるかに効果的な貢献の仕方に盲目になるということです。はっきり言って、営業、マーケティング、財務の各メンバーが予測プロセスに意義ある形で貢献できないと主張しているわけではありません。関連するどのスタッフも、企業にとって財政的に有益な価値ある情報を持っている可能性があることは十分に理解しています。
しかし、私が異議を唱えるのは、まず一点予測が作られた後で、その精度を上げるために手動のオーバーライドで操作すべきだという考え方です。先ほども述べたように、これは予測のベストプラクティスではなく、実際にはFVAで行われる方法です。しかし、人々を予測プロセスに参加させる建設的な方法は存在します。それは、予測を生成するアルゴリズム、そして後に意思決定を生むアルゴリズムに貢献することです。実際には、これは予測の専門家を支援することを意味します。Lokadでは、これは業界の専門知識や洞察を提供して、これらのアルゴリズムを作成・洗練していくサプライチェーン科学者が担う役割です。つまり、営業やマーケティングの全員が確率分布を読み、Pythonでスクリプトを書く必要はなく、彼らは予測の専門家に対して実用的な洞察を提供し、その専門家がそれをコードに落とし込むのです。
そして最後に、自動化されたアルゴリズムが実行され、予測を生成します。結局のところ、それらの洞察は単なる情報の断片であり、会社全体に散らばっています。しかし、これらすべてを意味のある予測および合理的なサプライチェーンの意思決定に変換できるのは、予測の専門家だけです。いくら優れたデータが揃っても、そのデータをどのように活用して予測を作成または修正するかを決定すべきなのは、予測の専門家のみです。これは、数十年に渡る実験的な予測結果によって裏付けられたベストプラクティスです。残念ながら、FVAはこの枠組みにおいて何の役割も果たしません。予測アルゴリズムの改善に直接寄与するのではなく、単に精度を測定するだけでは、FVAは注意散漫の原因に過ぎません。私は、これを時間の無駄だと考えます。
Conor Doherty: Joannes、あと20秒ありますよ。
Joannes Vermorel: 大丈夫です、ありがとうございます。
Conor Doherty: 分かりました、ありがとう。Jeff、今のところあなたが笑っているのが見えます。どうぞ、5分間の反論で応じてください。
Jeff Baker: ちなみに、あなたはミュートになっていたと思います。
はい、すみません。いや、興味深い視点ですね。いくつか振り返りたいことがあります。一つは、あなたがM5コンペティションとMakridakisについて言及した点です。ここで指摘しておきたいのは、その参加者の92％が非常にシンプルな指数平滑法のベンチマークに敗れたということです。つまり、シンプルさを支持する議論があるということです。ベストプラクティスと最先端技術の違いがあることを明確にしておきたく、実際にシンプルな方が使う側にとってはより良く、受け入れやすい場合が多いのです。説明可能性の観点から、需要レビューのS&OPミーティングでその予測がどのように導かれたかを説明し、より多くの賛同を得るのは非常に容易です。
もう一つ、あなたが指摘したのは、時系列が一点の予測にのみ焦点を当てる点です。時系列だけでなく、その予測区間も示すことがベストプラクティスであるはずです。そしてそれは精度とも直結します。つまり、一点予測は単なる情報の一部に過ぎませんが、一点予測に予測区間を加えることで、より大きな価値が生まれるのです。
あなたは、確率論的予測はFVAに適用できないと述べました。しかし、もし最近のForesightの号を見れば、Stefan De Kokによる確率論的予測とその変種であるstochastic value addedについての記事があり、このフレームワークの価値を示唆しているのではないかと思います。私自身はforecasting methodに対して中立的な立場ですが、どの方法を用いるにせよ、異なる入力を加えて予測がどのように改善されるかを確認したいのです。つまり、どのように改善されているのか、そしてリソースを効率的かつ効果的に使用できているのかを確認する必要があります。不正確さのコストと予測作成にかかるコストとのトレードオフは、1971年から知られている問題です。過度に時間をかけた予測作成のコストと得られる精度のバランスについては、Harvard Business Reviewにも記事があり、「搾る価値はあるのか」という議論がなされています。これらの数値に基づけば、適度な規模の企業にとっては大きな利益があり、ある程度の人員をそれに当てる余裕があるのです。
協調的な予測が官僚的だとは思いません。むしろ、プロセスに関与させることで、システムを通じた付加価値を生み出す必要があると考えています。これらの入力は素晴らしいものです。常に何かしらの出来事は起こります。サプライチェーンは複雑さを増すどころか、より複雑で動的になり、バタフライ効果すらも強まっています。だからこそ、情報に文脈を与え、必要なタイミングで最良の判断を下せる人々が必要なのです。そのため、協調的である必要があります。協調的であれば常に営業やマーケティングと連携し、全体を一度に変えようとするのではなく、変化した部分を見極めることができます。そうして関係性を維持すれば、より良い入力を得られ、より良い関係が築けるのです。
逆に、自分の判断でその時々に営業やマーケティングを任意に巻き込むようなアドホックなプロセスでは、定期的なプロセスに組み込まれていなければ、彼らからの入力の質が大幅に低下することは確実です。営業担当者から常に聞かれるのは、「売るのに忙しすぎる、邪魔しないでくれ」というものです。ですから、その入力を得たいのであれば、彼らをプロセスに巻き込む必要があるのです。
実際のビジネス価値との断絶に言及されました。悪いデータでは正しい意思決定はできません。議論は「より良い予測が必要だ」というものですが、予測精度の低下については議論の余地がありません。意思決定のためには、可能な限り最良のデータを使用していることが必要です。それが直接ROIに結びつくのでしょうか？サプライチェーン全体で、ある意思決定のROIを個別に計算できるでしょうか？そんなことは起こりません。予測の観点からの私の判断は、製造、購買、倉庫管理、輸送などの機能的な決定とは全く別物です。これらのいずれかが悪いROIに繋がる可能性があるのです。私の役割は、できる限り正確であることです。ありがとうございました。
Conor Doherty: どうもありがとうございます、Jeff。最後の部分で話しすぎてしまい申し訳ありません、でも少しだけ思い出させる必要があったのです。
Jeff Baker: 大丈夫です。
Conor Doherty: この時点で、ありがとうございます、Jeff。では、Joannesに話を振ります。結びのご意見をお願いします、2分間。
Joannes Vermorel: 皆様、本日の議論のテーマは「FVAはベストプラクティスか、それとも時間の無駄か？」でした。この議論を通して多くの情報を耳にしましたが、FVAについて考える際にいくつか留意していただきたい点があります。まず第一に、もしFVAを、予測ポイントのミクロマネジメントと解釈される継続的な協力型予測プロセスの一部として使用するのであれば、それはベストプラクティスではありません。予測の手動上書きは疑いなく予測コミュニティにおいてベストプラクティスではなく、そのためFVAで測定することもまたベストプラクティスとは言えません。
第二に、FVAは時系列予測に基づいて構築されています。どこかで確率的予測に適用しようとしている人がいるかもしれませんが、現実的に言えば、FVAは、そもそも不確実性を全く考慮していないクラシックな時系列予測と組み合わせた場合にのみ、スケールして機能するのです。これらはベストプラクティスではないため、FVAによる精度の測定もまたベストプラクティスではありません。
第三に、FVAは設計上、精度の向上が価値あるものだと仮定しています。しかし、実際にはそうではありません。先に述べたことに反して、精度の向上が実際にビジネスに悪影響を及ぼす場合もあります。非常に単純な例として、疎な系列予測の場合、需要がゼロであってもゼロが最も正確な予測となることが非常に多いです。したがって、予測やサプライチェーンに関する全ての要素で私と意見が異なったとしても、これだけは明確です：これらの理由やその他多くの理由から、FVAはベストプラクティスとは見なされません。もしそうであれば、それは予測コミュニティにとって非常に悲しい非難となるでしょう。
Conor Doherty: どうもありがとうございます、Joannes。Jeff、あなたの結びのご意見をお願いします。2分間。
Jeff Baker: はい、ありがとうございます。最初に申し上げたように、より良い計画はより良い意思決定をもたらします。私たちは計画の立て方を学び、再計画する方法を学ばなければならず、そこに入る正確な予測が必要です。悪いデータが必ずしも良い意思決定を生むというビジネスケースは存在しないと思います。もし悪いデータで良い意思決定ができたら、それは単なる運の尽くしだと私は考えます。それはごく稀なことです。FVAが輝く場面もありますが、重ねて申し上げます、それはミクロマネジメントを推奨しているのではなく、すべてを上書きするものでもありません。高額で、エラーが大きい製品があるという例もあります。外部で起こりうる、きちんとアルゴリズムの入力に落とし込むことができない事象があるのです。そうした事象を理解し、それに合わせたタイムホライズンでの計画が必要です。FVAに対する批判は主に、FVAが何のために設計されているかを誤解していることに起因します。
Lokad、すなわちあなたはソフトウェアパッケージを販売しているのは承知しています。以前、私自身もソフトウェア企業に勤務し、ソフトウェアパッケージを実装した経験があります。ツールが機能することは理解しています。多くの場合、問題は実装にあります。顧客が望むものを得られていないなら、それは十中九回実装の問題であり、データの問題なのです。FVAに対する批判は、正しく実装する方法がわかっていない、つまりこの仕組みがどのように機能し、どのように価値を生み出すかを理解していないことに端を発しています。もう一つ単純な例えを挙げますと、自宅の裏にデッキを建設する際、「板は梁にねじで固定すべきだ」と聞いて、木ネジを打ち込むためにハンマーを使い始めたとします。そうすればうまくいかず、満足できないでしょう。それはハンマーに問題があるのではなく、単にハンマーの正しい使い方を知らなかったからです。つまり、作業に適さないツールを使用しているのです。
Conor Doherty: ありがとうございます。お話を中断してしまい申し訳ありませんが、公平性を保つために厳格な時間管理を行わなければなりません。ありがとうございました、皆さん。ご準備されたご意見、ご議論、そして情熱に感謝します。さて、ここからいくつかのフォローアップの質問に移りたいと思います。いくつか質問が寄せられています。私も、お話いただいた内容に基づいてメモを取りました。観客からの質問に移る前に、ここに座っている私が、出たポイントについていくつか明確にしておきたいと思います。
まず初めに、実際には、公平性を示すためにJoannesにも発言させます。とにかく、Jeff、あなたの反論で「シンプルなほうが良い」という格言に触れられましたよね。M5の結果に言及され、精巧で最新のものが必ずしも優れているとは限らないという点を指摘されました。では、Joannes、この点について、要するに、確率的予測や純粋なアルゴリズムモデルは、あまりにも派手であるが故にシンプルであるべきだという考えに対するあなたの回答を、もう少し詳しく説明していただけますか？
Joannes Vermorel: 実際、私たちはM5コンペティションでSKUレベルにおいて、パラメトリックなモデル、つまり約5つのパラメーターを持つモデルで勝利しました。それだけのシンプルさです。つまり、アルゴリズムだからといってそれがより良いというわけではありません。実際、Tetlockは著書「Superforecasting」で、移動平均が予測において人間の99%を打ち負かすと示しています。人間はあらゆるところにパターンを見出してしまい、莫大な認知的問題を抱えています。ノイズの扱いは非常に難しいため、どこにでもパターンを見つけてしまい、これは予測にとって悪影響となるのです。ちなみに、artificial intelligenceのような手法では、移動平均が実際に大多数の場合で人間の思考を凌駕します。これはただの一点の示唆に過ぎません。特に言えば、Lokadの確率的予測アルゴリズムは、自然と非常に高度というわけではありません。形状が少し独特なだけで、deep learningなどを用いているわけでもないのです。
Conor Doherty: Jeff、これについてはどう思いますか？何か反論したい点はありますか？
Jeff Baker: 私が唯一抱く懸念は、最新のデータや技術の導入自体には反対していないのですが―私も以前ソフトウェア企業に所属し技術を販売していました―、時には物事を過度に複雑にする必要はない、という点です。場合によってはシンプルなほうが良いのですが、その実施にあたって、私たちはあらゆることから増分的な価値を得られるようにしなければなりません。また、説明可能性は非常に重要です。
ここにいる皆さん、そしてこれを見ている皆さんは、確率的予測とデータに大いに関心を持っています。実装段階で、もし私が何らかのアルゴリズム予測を販売しようとして、説明可能性に問題がある場合、人は本能的にアルゴリズムに対して反発します。なぜなら、人は理解できないものに対して嫌悪感を抱くからです。多くの予測手法、特にシンプルなものは比較的説明が容易です。そのため、パフォーマンスの面ではシンプルなものが同様に効果的である場合があると私は主張しているのです。シンプルなアンサンブル予測は、M5コンペティションで名声と富を争う人々の92%に勝っています。つまり、そこには確かな価値が存在するのです。
また、個々の組織に過度な負担をかけたくはありません。多くの組織は成熟度にばらつきがあり、その水準まで引き上げる必要があるのです。多くの場合、もし企業が指数平滑法の予測を導入できれば素晴らしいのです。アンサンブル予測も同様です。予測区間について話し合い、非常に良好です。もっと精巧で高度なアルゴリズムに問題はありません。ただし、それらの技術を吸収し、受け入れる能力に応じて導入する必要があるのです。そうでなければ、以前私が経験したように、混合線形計画を企業に導入し、理解されなかった結果、受け入れられなかったというリスクがあるのです。これが、より精巧なアルゴリズムを推し進める際に私が注意している点です。
Conor Doherty: ありがとうございます、Jeff。Joannes、何か付け加えることはありますか？
Joannes Vermorel: 改めて申し上げますが、ここで少し認識のズレがあるように感じます。私が言いたいのは、まず、確率的予測の手法自体は非常にシンプルだということです。どんなに洗練されていても、それは単に各要因を正確に反映するための手段に過ぎません。FVAに代わる我々の方法は、もし人々が情報を持って手を挙げるなら、その情報は要因として組み入れるべきだというものです。予測そのものは、あくまでこの追加情報を入力として使用するだけであり、出力を上書きするものではありません。
これには多数のポジティブな効果があります。例えば、予測を更新する際、上書きの更新を行う必要がなくなります。問題は、人々がこれを固定的な上書きと考えてしまう点です。しかし、予測を上書きしてしまうと、もし次週に新たな情報が入り基準値が変動した場合、どうするのでしょうか？以前と同じ上書き、つまり同じデルタを適用するのでしょうか？このような複雑な問題が、マーケティングが予測の上書きという形で情報を提供することから生じるのです。むしろ、「マーケティングよ、この製品をこの広告費でプロモーションする」と指示し、その情報を予測の入力として利用する方がはるかに簡単です。そして、その入力が予測の精度を向上させるかどうか、その場でバックテストすることが可能なのです。3ヶ月も待って、手動修正が何かプラスの効果をもたらしたかを確認する必要はありません。
Conor Doherty: ここで少しだけ申し上げます。先ほどの「シンプルなほうが良い」という点ですが、これについてもJeffに伝えたかったのですが、専門家が他の専門家にインタビューして洞察を引き出し、それを基にアルゴリズム的な意思決定へと落とし込むほうが、非専門家も含めて誰でも予測に手を出すよりも理論上はシンプルではないでしょうか？シンプルさの観点から、どちらがよりシンプルだとお考えですか？それとも、どちらかのほうがより複雑なのでしょうか？
Jeff Baker: 一般的に、私がFVAを使用してきたのは、セールス＆オペレーションプランニング（S&OP）プロセス、つまり需要レビューの場で、現在の月とその先の1～2か月のタイムホライズンを扱う際です。多くのCPG企業では、現在の月、翌月、さらにはその翌月が「フローズンスケジュール」とされ、計画と実行の移行期に位置づけられています。これはS&OPとS&OEの区分に相当します。
そのS&OP領域では、各種のイベントやドライバーに注目します。集約レベルで行う場合、我々は入力となるデータを集めます。もしそれが製品ファミリー単位での入力であれば、高レベルのドライバーを用いてそれを下位に伝播させることができます。つまり、全体の数値を細分化する、というのが一般的な手法です。
実行面では、もし大きなイベントが発生した場合、その影響の大きさに応じて、ファミリー単位または企業全体レベルで調整を行うことも可能です。これがより容易だと思います。先ほど述べたように、すべてのSKUに対して調整することは必ずしも推奨されませんが、大きな影響がある場合は、その調整が必要となります。
計画、すなわち再計画の段階において、計画そのものに立ち戻ることは些細なことではなく、計画こそが全てなのです。その再計画、再検討の概念は、月に一度のS&OPプロセスとして実施され、会議にはすべての意思決定者が集います。そして、モデル内の既存情報、新しい情報、そしてそれらの情報をどのように取り入れるかに焦点を当てるのです。実際、私が需要レビュー会議で、営業部門のトップであるVPが出席している際に立ち上がって拍手しそうになったことがありました。その時、彼は「では、この件に関してどんな新しい情報がありますか？」と問い、「新情報はありません。統計的予測、アルゴリズム予測がそのままです」と言ったのです。官僚主義はほとんどなかったのです。
私が理想とするのは、本当に大きなイベントがない限り、この方法で進めることです。しかし、サプライチェーンの専門家であれば、積極的にその入力となる情報を求めに行く必要があります。一方、私が提案する方法では、営業やマーケティング部門が会議に参加する際には、必ず「何が新たに変わったのか、前月の前提に何が加わったのか」を報告する必要があります。大手CPG企業であれば、ファミリーレベルで迅速に対応できます。
Conor Doherty: ありがとうございます、Jeff。Joannes、何か付け加えることはありますか？
Joannes Vermorel: それほど多くはありませんが、簡潔に言いますと、専門家が情報を取りまとめることを推奨する理由は、ほぼ必ずしも、得られる情報の粒度が企業の業務と一致しないためです。例えば、「あの競合他社が倒産の危機にある」という情報があったとしても、その競合他社と自社の事業が一対一で対応しているわけではありません。カテゴリーごとに、どの商品が影響を受けるかはっきりしないのです。
The idea that information can come in the head of a person from sales or marketing or whatever as, “Okay, this information can find a matching time series to override,” is almost never the case. Just finding what exactly is relevant to touch is difficult. What about all the other sources of uncertainty? When Lokad operates a company with predictive models, we have easily half a dozen predictive models—one for the demand, yes, but also the lead times, production yields, future price of suppliers, anticipation of volatility of price of competitors, etc.
FVAのポイントは、保有している情報の粒度と時系列データとの間にインピーダンスミスマッチが存在するという点です。需要のみを重視する一方で、予測すべきその他多くの不確実性が存在するのです。また、例えば「このサプライヤーは完全に手に負えなくなり、リードタイムが劇的に伸びる」という情報も存在します。それは、リードタイム予測アルゴリズムに反映されるべきです。
Jeff Baker: ええ、そこについてはあなたと異論はありません。サプライチェーンで注視すべき点が確かにいくつかあるのは事実です。しかし、FVAに注力して仕入先のリードタイムなどを無視するというのは全く推奨していません。そうではなく、効率的な観点から、需要が何であるか、そして私にとって最適な需要は何であるかに焦点を当てる必要があると思っていますよね？
そして、サプライサイドに関する他の情報もすべて把握する必要があります。両方とも取り組む必要があるわけです。そして、その点において全く同意です。リードタイム、リードタイムの変動、製造がいつ停止する可能性があるか、仕入先の価格設定なども理解する必要があります。なので、そこには異論はありません。ただし、私が主張したいのは、FVAに偏りすぎて他のことを疎かにしないようにという点です。
Conor Doherty: さて、視聴者からの他の質問もありますが、その話は後ほど。最後にもう一点挙げられた点について質問します。最初に、Jeff、私はあなたの言葉をできるだけ公平に言い換えようとしましたので、私の言い換えが正しいか確認してください。その上で、Joannes、あなたにもこの件について質問したいのです。Jeff、あなたのまとめの発言で、アルゴリズムに還元できない項目が存在すると主張されましたが、これはあなたの発言を正確に要約しているでしょうか？つまり、予測性が低いなど、単にアルゴリズム的な解決策に依存できない項目が存在するということでしょうか？
Jeff Baker: ええ、そして、イベントもあります。つまり、繰り返し起こらないイベントに関連するということです。
Conor Doherty: そして、その意味するところは、これらには手動での上書きや手動入力が必要だということですね。
Jeff Baker: つまり、イベントが存在するという事実を文脈的に理解する必要があるということです。これに対してモデル化できるものがなく、決断を下さなければならない場合、専門家の助けを借りるということです。
Conor Doherty: Joannes、あなたはどう考えますか？あなたの見解をぜひ聞かせてください。
Joannes Vermorel: そこで、私が議論の中でPhilip Tetlockという専門家に言及したわけです。彼は実際に「Superforecasting」という本を書き、人間の予測能力を、Good Judgment Projectという10年以上続くプロジェクトで評価しました。それは、米国DARPAに相当する情報機関IARPAが資金提供していました。
彼らが発見したのは、アルゴリズム的レシピが存在しない事柄について直感的に予測する優れた予測者たちは、アルゴリズム的レシピが利用可能な場合にはそれが優れている、利用できない場合はやはり人間による高次の判断に戻るという結論に即座に至るということでした。しかし、彼らが結論付けた、またその本の結論の一つでもあるのは、スーパー・フォーキャスター、すなわち一貫して卓越した予測精度を達成する人々は、実際にはケースごとに合わせてマイクロアルゴリズムを構築しているということです。これが文字通りの実態です。そして、そのようにできれば、予測精度は飛躍的に向上します。例え非常に評価が難しい事柄、例えば「今後5年以内にシリアの前大統領が再び権力を握るか」といった問題でも、約30%の精度向上が見込めるのです。
要するに、これらの結論に立ち返れば、情報が存在する場合に、その情報を持っている人が会社の予測に関する定量的な表現に変換するべきではない、という考えが再度支持されるのです。私が言いたいのはその点です。そして、FVAや手動上書きの実践が誤っているのは、Lokadでの私たちのアプローチでは、誰かが生の情報を提供し、もし予期しない項目が現れた場合、その情報を数字に変換するためのミニ数値レシピを考案する必要があるという点にあります。
さらに興味深いのは、それを考案するだけではなく、文書化しなければならないということです。たとえ「これを実施し、これにこれを掛け、比率と割引を適用する」といった、非常にシンプルな3文程度の説明であっても、その論理を記録する必要があります。再び言いますが、「Superforecasting」という本に戻ると、アルゴリズムに依存せずに卓越した予測結果を実現するスーパー・フォーキャスターたちは、まさにこの方法を使っているのです。彼らは明示的な数値レシピを持っており、それによりプロセスの改善が可能になるのです。つまり、単に情報があるだけではなく、その洞察を数字に変換するための再現可能かつ改善可能なプロセスが必要であり、人々の頭の中で魔法のように扱われるものではあってはならないということです。
Jeff Baker: いや、全く同感です。私たちは、人々に前提条件を文書化してもらっています。それを拡張すると、もし営業チームやマーケティングチーム向けに大規模言語モデルのAIが導入できれば、素晴らしいと思います。なぜなら、それは偏見の一つであり、人々に意見を求めると、覚えている場合もあれば忘れてしまう場合もあるからです。多くの場合、データを見返しながら「さて、いつ価格を上げたんだっけ？ああ、もうすぐ1年になる、最初の価格上昇の効果は薄れているかもしれない」となります。もしそれを自動化できるなら、私は全力で賛成です。そうした会話を人々と交わし、実践し始める必要があります。現状、多くの企業でそのようなケースが数多く見受けられるため、これは彼らの生活様式の一部となるべきです。ですから、そういう道を進むべきだと思います。
Conor Doherty: さて、ここで視聴者から寄せられた質問に移りたいと思います。前回はまずあなたに質問しましたが、Jeff、これはお二人宛ですが、まずはあなたからお願いします。これはNicholasからの質問です。S&OPが存在していても、あまりにも多くの情報が流入し、統計モデルを頻繁に変動させる状況をどう管理すればよいのでしょうか？また、マーケティングや財務チームからの圧力をどのように効果的にバランスさせることができるのでしょうか？
Jeff Baker: つまり、販売やマーケティングからさまざまな情報が大量に流入しているということでしょうか？
Conor Doherty: ええ、基本的に情報の波が押し寄せてくる場合、特に多くの手動上書きによって統計モデルがかなり頻繁に変動する場合、どのように対処すればよいのでしょうか？（ちなみに、この括弧書きは私自身が追加しました。）
Jeff Baker: では、統計モデル自体は変更されないということでしょうね。つまり、時系列に基づく統計予測モデルに対して、販売やマーケティングからの上書きが行われるということで、私の理解はそれで合っています。私たちは…については話していません。
Conor Doherty: すみません、今はNicholasが一緒にいないので。
Jeff Baker: では、その場合、タイムホライズンで決断を下す必要がありますよね？例えば、製造スケジュールや有限能力スケジューリングのための実行順序を3ヶ月先に確定しなければならない場合、新しい情報をギリギリになって伝えないという実践が必要です。製造側からのもう一つのポイントとして、私は営業チームを訓練するために「フローズンタイムフェンス違反」を強く推奨しています。つまり、当月および翌月に驚くような情報は歓迎されないべきだということです。これは企業文化の問題でもありますし、私がその状況に対処する方法です。例えば、ある営業担当者が「大口の受注がありました」と伝えながら、最後の瞬間まで製造部門に知らせなかった場合、それは非常に好ましくありません。結果的に、大きな費用が発生してしまうのです。
つまり、そのフローズンの考え方、つまりその決められた時間枠で意思決定を下す必要があり、その前提で計画を立て、我々を驚かせないということです。私なら、情報の波にはこのように対処します。実際、私が好むS&OPの指標の一つがこの「フローズンタイムフェンス違反」です。新しい受注があったことをギリギリまで知らせなかったために、どれだけ頻繁に製造担当者に急な対応を強いられるかという指標です。
Conor Doherty: ありがとう、Jeff。Joannes、何か意見はありますか？また、あなたの枠組みで専門家は、複数の人々からの突然の洞察にどう対処するのか、その点についても教えてください。
Joannes Vermorel: まず、Lokadのアプローチはすべてを自動化することにあります。つまり、そのような状況では、まず対応するための余裕、いわゆる帯域幅が必要です。そして、すべてを自動化するということは、定義上、サプライチェーンの科学者は一度自動化が実現すると、例外的な状況に対処するための大きな余裕を持てるようになるという点が面白いのです。これは、日常業務に追われている状況では通常ありえないことです。これが第一のポイントです。
第二に、予測の不安定性は、古典的な時系列予測、つまり一点予測の特徴です。少し情報を追加するだけで、精度指標に基づき、非常に即応的かつ正確になるために予測値が上下に大きく変動してしまいます。非常に頻繁に、このトレードオフが生じます：もし正確さを追求するなら、変化を非常に迅速に捉える必要があり、そのため予測は非常に不安定になってしまうのです。ここで、確率的予測を用いれば、すでに拡散した確率分布が存在するので、急激な変動の問題が解消される傾向にあります。つまり、たとえ外れ値が観測されたとしても、その拡散した確率分布のおかげで、分布全体に大きなジャンプは生じません。
さらに、先ほど述べたように、急激に変動する一点予測の場合、なぜ人々はその変動を好まないのかという問題があります。その答えは、予測が再び手動で処理され、手動での上書きや再評価が行われるためです。Lokadではそのようなことは行いません。予測も意思決定も自動化されているため、予測が変動すると、ある行動に財政的にコミットしている可能性を考慮しながら、意思決定が自動的かつ即座に新たな状態を反映します。つまり、需要が変わっても、すでに在庫が生産されている場合、需要が期待通りでなくとも、その在庫をいずれかの方法で処分しなければならなくなるのです。こうして、オートメーションは情報が追加されるタイミングに関する問題を大幅に解消し、効率化するのです。情報は利用可能になり次第、即座に追加され、反映されるのです。
Jeffは企業文化について語っていました。興味深いのは、情報を提供する人々が、その情報を追加したその日中に検証され、直後に報われるという点です。翌日には、生産スケジュール、在庫配置、出荷、購買発注など、すべての工程が、まさに前日に提供された情報を即座に反映します。これにより、人々は情報を前面に出す文化を育む手段を実感できるのです。情報を提供すると、数時間以内にあらゆる規模の意思決定に反映されることが具体的に分かるのです。これにより、「来月また来てください。その時にあなたの情報を検討しましょう」と言うのではなく、非常に実感できる形で示すことができるのです。
Conor Doherty: ありがとう、Joannes。Jeff、最後の部分についてもぜひあなたのご意見をお聞かせください。少なくとも、あなたの表情から少しは共感しているように見えたのですから。
Jeff Baker: ええ、そうですね。私にとっては、これはまさにブルウィップ効果への処方箋のように聞こえます。つまり、どんなに些細な情報でも投入すれば、最適な意思決定を即座に反映する応答性と技術的能力は評価しますが、問題は既に多くの決定が下されているという点にあるのです。もし私がスケジュールを組んでいて、例えば通常のオートミールを作った後、シナモン入り、シナモンとリンゴ入り、そしてシナモン・リンゴ・クルミ入りと順に作っているとしましょう。しかし、突然アレルギーが発覚するかもしれません。その切り替えには大きなコストが伴います。もし急に介入され、そのスケジュールを即座に変更しなければならなければ、非常に大きな、もしくは潜在的な経済的コストが発生するのです。もし突然、原材料をより早く追加注文する必要が生じたら、サプライヤーに対してブルウィップが発生するでしょう。
つまり、安定性には利点が存在します。実際、最も正確ではなくとも、正確かつ安定した予測が価値あるものかどうかについて、非常に興味深い議論が交わされています。安定性はサプライチェーンにおいて利益をもたらす効果があるのです。もちろん、これは我々がこれから本格的に研究を始める分野ですが、多くの決定を下さなければならない事実を物語っています。いわば、私たちはすでに地に杭を打っている状態であり、「フローズン予測」と言えば皆笑います。いや、本当に凍っているわけではありません。ですが、決定を変更することには経済的な影響があるのです。
ですから、技術的には「ほら、これが最良の決定だ」と反映できるのは素晴らしいことだと思いますが、あらゆる情報に基づいて変更を行うと、それに伴うコストが発生するという事実を考慮しなければなりません。これは柔軟なサプライチェーンでは問題ないかもしれませんが、変更が高額で困難な効率的なサプライチェーンにおいては、確かに問題が生じると考えます。
Joannes Vermorel: 理解しています。つまり、Lokadでは、変更コストのモデリングは当然のこととして行っており、すべての資源配分が以前の状態から逸脱した場合、そのコストをモデル化しています。これは超基本的な考え方です。したがって、変更コストが予想される利益を超える場合、事象は大きく変動しないというわけです。個人的には、また繰り返しになりますが、人々はしばしば極めて不合理な数値レシピを見ると、「ああ、これは問題だ」と考える傾向があると思います。
例えば、現在のコミットメントなどについて全く考慮せず、単純に予測に従うという極めて素朴な意思決定が存在します。これは非常にナイーブな考え方です。もちろん、変更コストやその他の様々な費用を実装する意思決定のためには、数値的なレシピの一部が必要です。それらは数多く存在します。そして、ここで確率的予測の真価が発揮されるのです。確率的予測では、もし今この決定を下せば将来その決定を修正しなければならないかどうかを織り込むことができます。なぜなら、ポイント予測を用いる場合、定義上すでに未来を知っていると仮定してしまうため、モデルは予測が間違っている可能性を自動的に考慮するのを妨げてしまうからです。しかし確率的予測では、需要がこの範囲内のどこにでもあり得るという前提とその確率が既に示されています。つまり、最適化の際に変更があった場合、その変更にかかるコストだけでなく、将来変更が必要になる可能性も計算されるのです。
Conor Doherty: 紳士諸君、時間を意識しておりますし、あと少なくとも4つの質問が残っています。ところで、均等性の精神に則り、次の質問をジェフにお尋ねします。統計モデルを調整して予算期待に応えるプレッシャーを和らげるために、FVAは有効なアプローチとなるでしょうか？第二の質問として、サプライチェーンのデータサイエンティストは・・・
すみません、本当はこの質問を私がすべきでした。ご容赦ください、実際にはこれをジョアネスに尋ねるべきでした。すみません。FVAは統計モデルの調整による予算期待へのプレッシャーを緩和するのに有効なアプローチでしょうか？さらに、サプライチェーンのデータサイエンティストは、そのような課題に直面した際、政治的な力学や階層構造をどう乗り越えるべきでしょうか？ジェフ、コメントをお願いします。
Joannes Vermorel: もう一度になりますが、ポイント予測の問題は、未来を既に知っていると仮定してしまう点にあります。未来を知っているのであれば、計画すべてがオーケストレーションの問題となり、予測は必要な予算を示すに過ぎなくなってしまいます。しかしそれは間違っています。なぜなら、まず第一に、予測には不正確さがあり、不確実性を完全に無視してしまうからです。
ポイント予測は特定の予算に固く結びついてしまいます。それは決してベストプラクティスではありません。しかし、確率的予測の世界に入ると、これらの問題は一気に解消されます。得られるのは、ありうる未来のシナリオであり、全ての予算支出を考慮に入れることができるのです。たとえば「この資源量がある」と教えられれば、その未来の確率に応じて資源を最適に配分する方法を検討することができます。
ちなみに、その例もご覧いただけます。もしスプレッドシートをご希望なら、当社ウェブサイトのprioritized inventory replenishmentをご参照ください。これは、確率的予測を用いることで、どんな予算でもその予算内で可能な最善の結果を提供できることを示すExcelスプレッドシートです。改めて申し上げますが、これはポイント予測というパラダイムが持つ問題点の一例です。古典的な時系列モデル自体が欠陥のあるパラダイムであり、欠陥のあるパラダイムに固執すれば、概念的にも多くの問題が発生してしまいます。
Jeff Baker: 欠陥あるパラダイムについて、少し即興で申し上げます。何十年もの間、多くの企業で十分に機能してきたものですので、私はそれを欠陥と呼ぶことはありません。予算に関して言えば、予測と予算の間には大きな問題があります。なぜなら、予算は理想的なものであって、私たちができる最善の方法は、営業およびオペレーションの観点から、クライアントに常に18か月先までの予測を立ててもらうことだからです。ご存知の通り、2025年半ばには既に2026年の状況を見始めています。これにより、2026年の最も可能性の高いシナリオを把握することができるのです。
そこから、野心的な目標を上乗せすることが可能です。それ自体には問題はありませんが、その後、会話はこう迫られます。「私たちの売上をどれだけ伸ばし、コストをどれだけ削減する必要があるのか」と。それが議論の一部となるのです。したがって、将来のための堅実な統計予測または合意済みの予測に基づいて予算を策定し、その上で逸脱が生じた場合は、営業、マーケティング、生産の各計画でそのギャップを補うのが最善です。最悪の方法は、皆がそれに同意することを期待する象牙の塔的アプローチです。つまり、「これが我々の予算です」と財務が決め、その計算式を利用者に任せる古典的な微積分問題のようなものです。「一体どう計算すればいいのか？」という状態を招くのです。これが最も悪いプラクティスであり、単にその穴埋めだけを行っているのです。
つまり、元の予算が現実に即していて、その実現のための計画があることを保証する一つの方法だと思います。そして第二に、FVAはそのために完璧なツールなのです。これが我々の統計予測でありながら、予算にはFVAが直接適用されることはありません。予算は理想的なものだからです。しかし、FVAはそのギャップを指摘し、その解決について議論を促すものです。どなたも、予測がそのまま予算と同義であるというのは、絶対に最悪の考え方だと同意すると思います。私はその考えに非常に苛立たされます。
Conor Doherty: ありがとうございます、ジェフ。それでは次の質問に進みます。今回の質問は直接ジョアネス宛です。恐らくティムールからの質問だと思います。私はFVAが有用だと感じていますが、時にその適用範囲が限定的だとも感じます。FVAをハンマーに例えたジェフの比喩に同意されますか？それとも、異なる見解をお持ちですか？
Joannes Vermorel: ええ、そうとも言えますが、よくわかりません。私のFVAに対する批判は、単にそれがハンマーであるということではなく、誤ったパラダイムの中で運用されているという点にあります。奇妙なことに、時系列や古典的なポイント予測、すなわち精度に依存し、誤差のパーセンテージや誤差の金額で測定しないという点が問題です。パラダイム上の問題は数多く存在し、それが欠陥であるという私の主張の根拠となっています。実際、企業が実務上経験する摩擦は、こうした問題の表れなのです。
もしこれらのパラダイムが欠陥であるという逸話的な証拠が欲しいのであれば、1970年代以降、サプライチェーン理論は意思決定プロセスの完全自動化を約束していました。ちなみに、これは1970年代のOracleの提案でもありました：完全にアルゴリズムによって駆動される在庫管理。しかし、これは何度も失敗を重ねました。私が言いたいのは、パラダイムや数学的手法、道具そのものが間違っているという事実を反映しているということです。その結果、様々な奇妙な問題が発生するのです。ハンマーの例に戻ると、時にはネジを締めるのにハンマーを使おうとしているような感覚になることがあります。問題はハンマー自体が悪いのではなく、本来の用途に適していないという点なのです。
Conor Doherty: ジェフ、何か補足があればご意見をお聞かせください。
Jeff Baker: いや、私がハンマーの比喩で伝えたかったのは、ツールを正しく使わなければ、その価値は発揮されないということです。FVAはツールに過ぎないのです。
Conor Doherty: ありがとうございます。では次に進みます。今回の質問はマリーナからです。誰宛かは明確ではありませんので、まずはジェフに伺います。AIが急速に進歩し、近い将来すべてのデータが利用可能になる可能性を踏まえると、FVAはより効果的、もしくはより不可欠になると思われますか？
Jeff Baker: より効果的、もしくはより不可欠というのは興味深い質問ですね。私の考えでは、AIがますます普及し、データ量が増大するにつれて、そのデータを文脈化し、意思決定に活用する方法を学ばなければなりません。将来的には、巨大言語モデルが全ての情報を文脈化し、ジョアネスの言うとおりそれらを体系的に整理し始めるようなケースが想像できるでしょう。これは、潜在的に「では、我々はこれらの意思決定を行っており、それらは素晴らしい決定である」といった状況をもたらす可能性があります。
もしかすると、競合他社の倒産や、経済が低迷している中で同時にプロモーションが行われたり、あるいは季節性が高まったりといった極端なケースだけが残るかもしれません。そうした場合には、AIがすべてのデータを統合し、関係性や存在するノイズ、有用なものと無用なものを理解する、といった低いハードルの問題に非常に優れていると考えられます。ですから、将来的には、自動化が進むにつれて、逆にFVAの価値が少し低下する可能性もあると考えています。
Conor Doherty: ありがとうございます、ジェフ。ジョアネス、AIとFVA、未来はどうでしょうか：賛成ですか、反対ですか、良い点はありますか、悪い点はありますか？
Joannes Vermorel: 私は、改めて人工知能について一歩引いて考える必要があると思います。取引システムは、膨大な情報、つまり数ギガバイト分の情報を保持しています。いや、もっと言えば、数ギガバイトにも及びます。一方、個人の頭の中が保持している情報量は、数キロバイト程度です。人間は、『Dune』シリーズで描かれるような超知性のメンターではないのです。つまり、正しい意思決定のための問題の99%は、日常の取引情報の膨大なデータをどう扱うかという点にあるのです。
表形式にある数値データを処理するというこの部分に関しては、巨大言語モデルはあまり関係がないと考えています。もちろん、コードを書くための非常に効果的なコーディングツールとしては使えます。それは一面ですが、コードを書く以外の役割ができるかどうかは非常に不明確です。
さて、人間が頭の中に持つ数キロバイト分の情報に関しては、その情報を活かして、何か定量的なものへの架け橋に変換できるでしょうか？私は可能だと思いますが、問題は、エンドツーエンドでこのパイプライン、つまり自動化された予測最適化システムを構築する点にあります。これは本当に困難な課題であり、我々は正しく実現するために人間の知性の限界に挑戦しているのです。ですから、現状のLLMを用いたAIが、例えばAI企業がMicrosoftを置き換えてMicrosoft Wordのバージョンを書き換えるといったこと以上のことは短期間では実現できないと考えています。AIはコードを書く手助けはしてくれますが、現行のパラダイムでは相当な人間の知的監督が依然として必要なのです。彼らはまだ超知能とは言えません。
Conor Doherty: まだ質問が2つ残っています。ジェフ、よろしければ次の質問に直行しましょう。
Jeff Baker: 完璧です。
Conor Doherty: ありがとうございます。こちらはジェフへの質問です。まず、これはマークからの質問です。予測の信頼区間を、購買や作業指示といった単一の離散的な数字に効果的に変換するにはどうすれば良いでしょうか？その数字を決定するためには、予測後の分析が最適なアプローチでしょうか？
Jeff Baker: そうですね、確率的予測やその区間には全く問題はないのですが、結局のところ、ERPシステムやスケジューリングシステムに数字を入力しなければならないのです。つまり、ある数字を選択する必要があるのです。ここで興味深いのは、その数字にどれくらいのばらつきがあるのか、システムがどれだけ堅牢かという点です。たとえば、20％、30％と上昇した場合はどうなるのか、というシナリオを検証できるようになるのです。ですから、これが私の回答になります。
Conor Doherty: ありがとうございます。ジョアネス、何か補足はございますか？
Joannes Vermorel: はい、改めて申し上げますが、もし在庫数量の決定というパラダイム的な観点からアプローチし、需要予測が単一の数字を示さなければならないと考えるなら、不確実性が存在しないという問題に直面します。ありえないことです。だからこそ、人々は再びこの誤った視点に戻り、「信頼区間はどうする？どう扱えばいいのか？ああ、数字を考えなければならない」と問題に取り組んでしまうのです。これはパラダイムの罠であり、欠陥のある概念に囚われてしまっているのです。
従って、もし需要予測が在庫決定のために単一の数字を示すという現状のパラダイムで問題に取り組むのであれば、その解決策は、意思決定においてあらゆる可能なシナリオを反映させるという事実を保持することにほかならないのです。在庫のために単一の数字を選ぶのではなく、特定の需要を選ぶのではなく、在庫の決定はあらゆる可能なシナリオとその優先順位、そして様々なリスクを金銭的に反映すべきなのです。これが全く異なる考え方であり、現状の時系列パラダイムに固執すれば、信頼区間をシステム内でどのように扱うべきかがわからなくなるのです。収まらないのです。
Jeff Baker: 私は、信頼区間について何をすべきかは明確にわかっていると主張します。なぜなら、もしリードタイムにおける予測誤差があれば、それは私のsafety stockの計算に組み込まれるからです。賛否は別として、需要のばらつきやリードタイムのばらつきを考慮するための、非常に明確な安全在庫計算方法が存在します。これを用いれば――在庫管理理論に踏み込むつもりはありませんが――ポイント予測とそのリードタイムにおける標準誤差を用いて安全在庫の数字を算出する統計的手法があります。分布がどうであるべきか、正規分布が適切か否かについては議論が尽きませんが、これが私が関わった多くの企業や、会議で発表される多くの企業で予測誤差の偏差がどのように扱われているかという方法です。
Conor Doherty: 最後の質問に移ります。統計予測の因果要因に含まれていない、大口の新規顧客などの既知のイベントに対して、機械学習モデルはどのように補正を行うべきでしょうか？ジョアネス、まずはそちらからお願いします。
Joannes Vermorel: さて、改めて、明確なアルゴリズム構造のない情報を扱う問題に触れていますし、機械学習を「テックが何かをしてくれる」というバズワードとして呼び出すこともできません。ここではインフォーマルな予測の領域に足を踏み入れているのです。聴衆の皆さんへは、フィリップ・テトロック著「スーパーフォーキャスティング」という本を強くお勧めします。もし明確な基準が無いなら、どうすればよいでしょうか？
機械学習はこの問いに対して何の答えも提供しません。少なくとも、教師あり学習という従来の機械学習パラダイム、入力と出力を前提とする方法では、この問題に全く答えを出すことができないのです。私は、Good Judgment Projectが行なったことや彼らが開発したテクニックを読むと、彼らはより高次の知性を持つテクニックを生み出したと信じています。ここでいう「高次の知性」とは、これらのテクニックを適用する際に、LLMのような、あるいはそれ以上の曖昧な知性を示すものを求めるという意味です。
彼らは、スーパーフォーキャスターと呼ばれる、このような状況下で卓越した予測スキルを先駆け、実証してきた人々との対話を通じて、共通するテクニックを特定しました。驚くべきことに、その全員がほぼ同じセットのテクニックを思いついたのです。要するに、テクニックは存在しますが、多くの判断を要するのです。これらの実証的結果に基づくと、もしそのような状況にあるなら、単なる機械学習アルゴリズムだけでは解決できないと私は考えます。
ビジネスにおけるビジネスケースのように、独自の仮定を構築し、ケースを分解し、さまざまな要因を評価して、合理的な結論に導き出すという事例を作らなければなりません。しかし「合理的」とは一体形式的に何を意味するのでしょうか？それは非常に困難ですが、それでも人々は根拠を見て同意することができるのです。
つまり、従来の機械学習が答えになるとは期待すべきではないというのが私の意見です。LLMは、むしろこのような推論を構築するための補助ツールとなるかもしれませんし、問題のさまざまな要因をどのように分解し定量化するかをブレインストーミングするための役割を果たすかもしれません。しかし結局のところ、その場で適当に数値モデル化を判断するのは、予測の専門家であるべきです。これが、Good Judgment Projectの実証研究に基づく最良の慣行だと思います。
Conor Doherty: ジェフ、あなたのご意見は？
Jeff Baker: ええ、つまり、あまりにも多くの要素を投入しすぎることには注意が必要だと思います。機械学習であろうとAIであろうと、詰め込みすぎると相関と因果を混同してしまいます。私が授業で経験した古典的な事例の一つは多重回帰モデルでした。要因を次々と投入するうちに適合度がますます良くなり、価格を投入したところ、突然「価格を上げれば売上も増える」という、全く直感に反する結果が出たのです。因果関係は明らかに誤っていましたが、相関は向上していました。
ですから、その点には非常に注意しなければなりません。ある時点で、ノイズをモデル化し始めてしまうからです。いくら機械学習やAIに質問しても、AIはまるで歯の妖精を信じる5歳児のように過剰な自信で応答してしまいます。まさにその通りなのです。ですから慎重になる必要があります。そしてここで、私はジョアンネスの意見に賛同したいのです。この状況を文脈に即して捉え、理解できる専門家を見つけるべきです。完璧なモデルを構築しようとしても、いつかは結果が期待通りにならなくなるのです。
Conor Doherty: さて、紳士の皆さん、これ以上聴衆からの質問はありません。しかし、締めくくりとして最後の質問をいたします。まずはジェフさんに。今回の議論のテーマはFVA、すなわち「最善の実践か無駄な時間か」ということでした。お二人ともほぼ80分間語り合いました。ジェフさん、現時点でこの命題についてどのように感じていますか？ジョアンネスの主張に対するあなたの反論や説明を聞くと、彼のいくつかのポイントを寛大に受け入れているように見えます。ジョアンネスがいくつかまたは多くの点で正しい可能性と、FVAが依然として最善の実践であるという立場とを、どのように両立させているのか非常に興味があります。
Jeff Baker: はい、このような自由な意見交換に感謝していますし、現時点ではForecast Value Addedが最善の実践であると主張できると考えています。現在、私たちにはそれが必要なのです。
先ほどBarinaさんが素晴らしい質問をしてくださいました。将来的には、技術の進歩に伴い、FVAはますます重要ではなくなるかもしれません。もしかするとこれを定量化し、パラメータ化してモデルに組み込み、意思決定を自動化することも可能になるでしょう。しかし、私は常に、協力体制を確立し、販売、マーケティング、外部の影響をしっかりと把握するプロセスは必要になると考えています。
その役割が縮小する可能性はあるでしょうか？はい。私が話した高価値・高変動性の領域についてですが、今後それがあまり関係なくなると確信しています。しかし現時点では、FVAは依然として最善の実践であり、私の退職後もその地位は続くと信じています。
ですから、近い将来においては—確かにFVAは重要なものです。長期的には、ジョアンネスが非常に素晴らしいビジョンを持っていると思いますし、大きな問題は見当たりません。むしろ、これらのアイディアについては約50％は意見が一致していると考えています。
Conor Doherty: では、ジェフ、ありがとうございました。そしてジョアンネス、これまでの話を聞いて動じることはありませんでしたか？簡単に言えば、それは動かしがたい物体であり、止めることのできない力なのでしょうか？
Joannes Vermorel: つまり、私が主流のサプライチェーン理論と呼んだものに立ち返れば、FVAはその一部としてかなり一貫性があると言えるでしょう。それは認めざるを得ません。
ですから、これらすべての考え方やパラダイム、全てを受け入れるならば、この視点からすれば悪くはないと思います。しかし、発生する官僚的な負担には、依然として十分注意すべきだと思います。
改めて、多くの人を関与させることは、多くの人の時間を消費するだけの方法です。誰にとっても挑戦となるような横断的な組織を作れば、それは依然として多くの雑務を生み出す可能性があります。
私のネットワーク内には、特にS&OPの周辺や、その補助的な業務において、膨大な雑務に追われている人々の例がいくつかあります。
ちなみに、Lokadは異なるパラダイムを用いて10年以上にわたって事業を展開してきました。ところで、ジェフ、この代替的なビジョンを裏付けるためのYouTubeによる講義シリーズは、ほぼ100時間にも及ぶのです。
しかし興味深いのは、異なるパラダイム、異なるツール、異なる手法を採用すると、それらの問題の大部分が消失してしまうことです。もちろん、全く新しい問題が発生しますが、運用上では非常に奇妙な結果に行き着くのです。
それは、ほぼすべての意思決定が自動的に行われるサプライチェーンの世界です。ちなみに、2020年から2021年にかけて、我々は何十社ものクライアントが全てのオフィスワーカーを自宅に送り出したという非常に奇妙な経験をしました。
10億ユーロ以上の在庫を抱えるクライアントが、政府の補助金を得るためにインターネットへのアクセスすら断ったまま、全従業員を14ヶ月間自宅待機させたケースもありました。その間、彼らのサプライチェーンは、Lokadが全ての意思決定を監督なしで行うことで、定格の約80％の能力を維持し続けたのです。
通常、私たちは意思決定を生成していますが、その決定内容を検証する人々が多数存在します。もし、数十億規模の複雑なサプライチェーンを14ヶ月間、ミクロマネジメントを行う人々なしで運用できるのであれば、それはそもそもその人々の付加価値とは何か、そして自動化から何を期待すべきかという疑問を投げかけるものです。
多くの人がAIなど様々なことを語っていますが、私の考えでは、自動化を実現するために、超高機能なハイパーパラメトリックな兆単位のパラメータを持つモデルが必ずしも必要なわけではありません。
私の結論としては、FVAはサプライチェーンを直接操縦する人々に関わるものであると信じています。私のアプローチは、機械がサプライチェーンを操縦し、人々がその機械を操縦する—つまりサプライチェーン自体ではなく—という観点に基づいています。
Conor Doherty: では、ありがとうございました。ここでの慣例として、最後の言葉はゲストに委ねています。ジェフ、本日はご参加いただき本当にありがとうございました。締めのご意見があれば、どうぞお話しください。
Jeff Baker: いいえ、ただこの機会をいただきありがとうございました。議論も大変充実しており、進行も見事でした、Conor。本当にありがとうございました。
皆様に喜んでいただけることを目標としています。質問に対する聴衆の参加にも感謝しています。対立する二つの視点が交わると、双方ともに少しずつ向上できると思います。正直なところ、この機会に感謝しており、お話できて光栄でした。
Joannes Vermorel: ありがとう、ジェフ。
Conor Doherty: ジョアンネス、貴重なお時間をありがとうございました。ジェフ、あなたも本当にありがとうございました。ご視聴いただいた皆さん、ありがとうございます。また次回お会いしましょう。
